Statistical learning Strumenti quantitativi per la gestione

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Statistical learning Strumenti quantitativi per la gestione"

Transcript

1 Statistical learning Strumenti quantitativi per la gestione Emanuele Taufer Vendite Simbologia Reddito Statistical learning A cosa ci serve f? 1 Previsione 2 Inferenza Previsione Errore riducibile e errore irriducibile Inferenza Esempi Come stimare f una panoramica Metodi parametrici Metodi non parametrici Esempio: Income data 2.3 Vera f 2.4 Modello lineare 2.5 Thin plate spline basso adattamento 2.6 Thin plate spline alto adattamento Trade off flessibilità interpretabilità Supervised e unsupervised Statistical Learning Problemi di regressione e di classificazione Valutazione della bontà del modello Test MSE e training MSE Esempio 1: f non lineare Esempio 2: f lineare Esempio 3: f non lineare Bias Variance trade off Scomposizione Bias Var Esempi 1,2,3 Classificazione Tasso di errore training e test Il classificatore di Bayes Classificatore KNN Esempio K=3 Esempio 1 Esempio 1 Error rates Riferimenti bibliografici Vendite file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 1/19

2 Supponiamo di voler capire come migliorare le vendite di un determinato prodotto. Il Set di dati Advertising consiste nelle vendite del prodotto in 200 diversi mercati, insieme ai budget pubblicitari per il prodotto in ciascuno di quei mercati per tre diversi media: TV, radio, e giornali. Non è possibile aumentare direttamente le vendite del prodotto. D altra parte, si può controllare la pubblicità in ciascuno dei tre media. Pertanto, se stabiliamo che vi è un associazione tra pubblicità e vendite, allora possiamo agire sul budget pubblicitario, e quindi, indirettamente sulle vendite. In altre parole, l obiettivo è quello di sviluppare un modello accurato utilizzabile per prevedere le vendite sulla base dei budget per i tre media. Tre regressioni separate (linea blu) Vendite su pubblicità TV, Radio e Giornali Possiamo prevedere le vendite utilizzando questi tre? Forse possiamo fare meglio utilizzando un modello Simbologia Vendite f(tv, Radio, Giornali) Nell esempio, Vendite è la variabile risposta o dipendente o obbiettivo che desideriamo prevedere. Genericamente indicata con Y. TV è una variabile indipendente o input o predittore. Chiamiamola X 1. Analogamente definiamo Radio come X 2 e così via. Possiamo fare riferimento genericamente al vettore input X = ( X 1, X 2, X 3 ) T A questo punto possiamo riscrivere il nostro modello come Y = f(x) + ε file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 2/19

3 dove ε è un termine d errore casuale, che è indipendente da X e ha media zero. In questa formulazione f rappresenta l informazione sistematica che X fornisce su Y. Reddito Y = f(x) + ε Come altro esempio, si consideri la relazione tra reddito e anni di educazione per 30 persone nel set di dati sul reddito (income). Il grafico suggerisce che si potrebbe essere in grado di prevedere il reddito con gli anni di educazione. Tuttavia, la funzione f che collega la variabile input alla variabile output è sconosciuta in generale. In questa situazione si deve stimare f basandosi sui punti osservati. Statistical learning In sostanza, il termine Statistical learning si riferisce ad una serie di approcci per la stima di f. In questa prima lezione si delineano alcuni dei principali concetti teorici che si presentano nella stima di f, nonché gli strumenti per valutare la bontà delle stime ottenute. A cosa ci serve? Due ragioni principali 1 Previsione f file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 3/19

4 Con una buona f possiamo fare previsioni di Y in base a nuovi punti X = x 2 Inferenza Possiamo capire quali componenti di X 1 X 2 X p sono importanti per spiegare Y, e quali sono irrilevanti. Ad esempio Anzianità e Anni di Educazione hanno un grande impatto sul reddito, ma Stato civile di solito no. A seconda della complessità di f, potremmo essere in grado di capire come ogni componente di X agisce su Y. Previsione In molte situazioni, un insieme di input X è prontamente disponibile, ma l output Y non può essere facilmente ottenuto. In questa situazione, siamo in grado di prevedere Y con dove rappresenta la nostra stima per, e rappresenta la previsione risultante per. In questo approccio, è spesso trattato come una scatola nera, nel senso che, tipicamente, non ci interessa la forma esatta di, purché fornisca previsioni accurate per Y. Errore riducibile e errore irriducibile L accuratezza di come previsione per Y dipende da due quantità; l errore riducibile e l errore irriducibile. Errore riducibile generalmente X = (,,, ) Y^ = (X) f Y^ Y Y^ non è una stima perfetta per f, e questo introduce qualche errore. Questo errore è riducibile perché possiamo potenzialmente migliorare l accuratezza di utilizzando tecniche via via migliori di Statistical learning per stimare f. Errore irriducibile Y è anche una funzione di ε che, per definizione, non può essere previsto con X. la variabilità associato a ε influisce sull accuratezza delle nostre previsioni. ε può contenere variabili non misurate che sono utili nel predire Y : ε può contenere variazione intrinseca al fenomeno. X Y^ = (X) Si consideri una data stima e un insieme di predittori, che producono la previsione. Supponiamo per un momento che sia f che X siano fissi. Si ha E(Y Y^) 2 = E[f(X) + ε (X)] 2 = [f(x) (X)] 2 + errore riducibile V ar(ε) errore irriducibile E(Y ^ 2 file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 4/19

5 rappresenta la media, o valore atteso, del quadrato della differenza tra il valore previsto e effettivo di Y, V ar(ε) la varianza associata all errore ε.questo valore è quasi sempre sconosciuto in pratica. Inferenza In questo caso è importante capire la relazione tra X e Y, o più specificamente, comprendere come Y cambia in funzione di X 1,, Xp. Quali fattori predittivi sono associati con la risposta? È spesso il caso che solo una piccola frazione dei predittori disponibili siano sostanzialmente associati a Y. Identificare i pochi predittori importanti può essere estremamente utile. Qual è la relazione tra la risposta e ogni predittore? Alcuni predittori possono avere un rapporto positivo con Y, nel senso che aumentando il predittore aumenta anche Y. Altri predittori possono avere una relazione opposta. Il rapporto tra la risposta e un dato predittore può dipendere anche i valori degli altri predittori. Il rapporto tra Y e X è lineare? O è più complicato? Storicamente, la maggior parte dei metodi per stimare f hanno preso forma lineare. In alcune situazioni, tale ipotesi è ragionevole o auspicabile. Ma spesso il vero rapporto è più complicato. Esempi Si consideri una società che è interessata a condurre una campagna di direct marketing. L obiettivo è quello di identificare le persone che risponderanno positivamente a una mail, sulla base di osservazioni di variabili demografiche misurata su ogni singola unità. Si consideri il problema relativo al set di dati Advertising che consiste nelle vendite del prodotto in 200 diversi mercati, insieme con budget pubblicitari per il prodotto in ciascuno di quei mercati per tre diversi media: TV, radio, e giornali. In un contesto immobiliare, si può cercare di legare il valore delle case per input quali il tasso di criminalità, la zonizzazione, la distanza da un fiume, la qualità dell aria, presenza di scuole, livello di reddito della comunità, le dimensioni delle case, e così via. In alternativa, si può semplicemente essere interessati a predire il valore di una casa date le sue caratteristiche Come stimare Simbologia E(Y Y^) 2 f una panoramica Abbiamo a disposizione una serie di casi, i dati osservati, che useremo per stimare f. Indicheremo sempre con n il numero di unità osservate. I dati usati per stimare f vengono definiti training data. x ij rappresenta il valore del predittore j, o input, per l osservazione i, dove i = 1, 2,, n j = 1, 2,, p. e file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 5/19

6 Corrispondentemente, I cd training data sono dunque rappresenta la variabile di risposta per l osservazione i esima. Vogliamo trovare una funzione tale che per ogni osservazione. In linea di massima, la maggior parte dei metodi di statistical learning possono essere classificati in parametrici nonparametrici Metodi parametrici I metodi parametrici implicano un approccio in due fasi: y i {( x 1, y 1 ), ( x 2, y 2 ),, ( x n, y n )}, dove x i = ( x i1, x i2,, x ip ) T Y (X) (X, Y ) 1. In primo luogo, si fa una supposizione circa la forma funzionale, o la forma di f. 2. Dopo aver selezionato un modello ( f ), abbiamo bisogno di una procedura di stima di f che utilizza i training data. Per esempio, una semplice ipotesi è che f sia lineare in X: f(x) = β 0 β 1 X 1 β 2 X 2 β p X p in questo caso il problema della stima di f è notevolmente semplificato. Uno deve solo stimare p + 1 coefficienti β 0, β 1,, β p. Anche se non è quasi mai corretto, un modello lineare è spesso una buona, ed interpretabile, approssimazione a. f(x) Il potenziale svantaggio di un approccio parametrico è che il modello che scegliamo di solito non corrisponde alla vera f. Se il modello scelto è troppo lontano da f, allora la nostra stima sarà povera (o fuorviante). Possiamo cercare di risolvere questo problema scegliendo modelli flessibili che possono adattarsi a diverse forme funzionali possibili per f. In generale, adattando un modello più flessibile richiede la stima di un maggior numero di parametri. Modelli troppo complessi possono portare ad un fenomeno noto come overfitting dei dati. In sostanza il modello segue gli errori, o rumore, troppo da vicino. Metodi non parametrici I metodi non parametrici non fanno ipotesi esplicite circa la forma funzionale di f. Invece cercano una stima di f che sia il più vicino possibile ai punti dati Tali approcci possono avere un grande vantaggio rispetto agli approcci parametrici: evitando l assunzione di una forma funzionale particolare f, hanno il potenziale per adattarsi con precisione una gamma più ampia di possibili forme per f. file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 6/19

7 Ma gli approcci non parametrici soffrono di un inconveniente: poiché non riducono il problema della stima di f a quello di un piccolo numero di parametri ( p + 1) di solito un numero di osservazioni ( n) elevato è richiesto per ottenere una stima accurata di f. Esempio: Income data Nei grafici seguenti, proviamo a confrontare diverse soluzioni di stima di f per il problema I grafici seguenti mostrano: Income = f(years of education, Seniority) la vera f sottostante ai dati (generati al computer) il modello parametrico un modello thin plate spline (non parametrico) con basso grado di adattamento con elevato grado di adattamento 2.3 Vera f income + education + seniority. β 0 β 1 β 2 file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 7/19

8 2.4 Modello lineare 2.5 Thin plate spline basso adattamento file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 8/19

9 2.6 Thin plate spline alto adattamento file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 9/19

10 Trade off flessibilità interpretabilità Tra i molti metodi disponibili, alcuni sono meno flessibili, o più restrittivi, nel senso che possono produrre solo relativamente piccola gamma di forme per stimare f. Se siamo interessati all inferenza, modelli restrittivi sono più interpretabili Se siamo interessati alla previsione la precisione del modello diventa fondamentale Supervised e unsupervised Statistical Learning Molti problemi di Statistical learning rientrano in una delle due categorie: supervised e unsupervised. Nel Supervised learning abbiamo sia variabili input ( X) che output ( Y ). regressione lineare, regressione logistica, modelli additivi generalizzati, etc. Nell unsupervised learning, tipicamente, non è osservata la variabile risposta Y. cluster analysis: ad esempio raggruppare consumatori in base a caratteristiche demografiche osservate sperando che queste possano essere associate ad abitudini di consumo. Problemi di regressione e di classificazione Le variabili possono essere caratterizzate come file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 10/19

11 Quantitative (misurate su scala numerica) Qualitative (Classificano l unità in una di K classi differenti) Tipicamente se la Y è quantitativa si parla di regressione Se la Y è qualitativa si parla di classificazione In entrambi i casi possiamo avere variabili input, X, sia di tipo qualitativo che quantitativo. Valutazione della bontà del modello Una delle misure più usate per la valutazione dei modelli è l errore quadratico medio o MSE (mean squared error) nell acronimo inglese: n 1 MSE = ( y i ( x i )) 2 ( x i ) n i=1 L MSE sarà piccolo se i valori previsti, sono molto vicini ai valori osservati ; viceversa tenderà a crescere tanto più sono le differenze previsti osservati che differiscono sostanzialmente. y i L MSE definito sopra è calcolato utilizzando i training data Tuttavia, si è più interessati alla precisione delle predizioni che otteniamo quando applichiamo dati nuovi, i cd test data. a Test MSE e training MSE {(, ), (, ),, (, )} Dati i training data x 1 y 1 x 2 y 2 x n y n modello con training MSE molto basso. può essere relativamente semplice trovare un ( x 0 ) y 0 (, ) Invece, vogliamo sapere se è approssimativamente uguale a, dove x 0 y 0 è un osservazione nuova, non presente nei training data. Vogliamo scegliere il metodo che dà un test MSE molto basso. Se abbiamo un gran numero di osservazioni test, potremmo calcolare Ave( y 0 ( x 0 )) 2, dove Ave sta per media (average). Ossia l errore quadratico medio di previsione per le osservazioni test ( X 0, Y 0 ). In altre parole, vorremmo selezionare il modello per il quale, il test MSE sia il più piccolo possibile. Tipicamente test MSE e training MSE possono differire sostanzialmente. Se uno ha a disposizione due set di dati, training e test può provare ad adattare diversi modelli ai training data e scegliere quello che presenta test MSE più basso. Se questo non è il caso si può ricorrere ad altre tecniche, ad esempio la cross validazione, che discuteremo nelle prossime lezioni. Esempio 1: f non lineare file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 11/19

12 La figura sopra mostra: A sinistra: i dati simulati da f (in nero) e tre possibili stime: regressione lineare (arancio); smoothing splines (blu e verde) A destra: test MSE (rosso) e training MSE (grigio) La flessibilità è misurata in termini di parametri (più parametri più flessibilità) la regressione lineare in questo caso ha due parametri (intercetta e pendenza) L andamento a U del test MSE è molto tipico e mostra che un overfitting dei dati è spesso fuorviante Esempio 2: f lineare file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 12/19

13 Esempio 3: f non lineare Bias Variance trade off file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 13/19

14 La forma a U osservata nel Test MSE è il risultato di due caratteristiche, spesso in contrasto tra loro, delle tecniche di statistical learning: la varianza ed il bias ( o distorsione) Il valore atteso del test MSE può essere scritto V ar( )) E( y 0 ( x 0 )) 2 = V ar( ( x 0 )) + [Bias( ( x 0 ))] 2 + V ar(ε) misura il cambiamento atteso di data diverso. Diversi training data infatti ottengono diverse flessibilità del metodo di stima, maggiore è la variabilità di. Bias( ( x 0 )) = E( ( x 0 ) f( x 0 )) se la sua stima avviene attraverso un training. In generale, più elevata la si riferisce all errore introdotto approssimando un problema reale, che può essere estremamente complicato, con un modello semplice. Ad esempio, la regressione lineare presuppone che vi sia un rapporto lineare tra Y e X 1, X2,, X p. E improbabile che sia così in realtà e quindi l uso della regressione lineare indurrà distrosione nella stima di f Scomposizione Bias Var Esempi 1,2,3 Di regola, più è flessibile il metodo che si usa, più la varianza tenderà ad aumentare ed il bias a diminuire. Il tasso relativo di variazione di queste due quantità determina se il test MSE aumenta o diminuisce. Tuttavia, ad un certo punto, l aumento della flessibilità ha poco impatto sul bias, ma inizia ad aumentare significativamente la varianza. Quando questo accade il test MSE aumenta. Classificazione Molti dei concetti discussi finora, quale il bias variance trade off, valgono anche nel caso della classificazione con modifiche minime dovute al fatto che Y non è più numerica. f {( x 1, y 1 ),, ( x n, y n )},, Supponiamo di stimare sulla base dei training data, dove ora sono qualitative file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 14/19 ^ y 1 y n

15 L approccio più comune per quantificare la bontà della stima 1 n n i=1 I( ) y i y^i è il tasso di errore per i training data dove è la classe prevista per la esima unità da. y^i i I( ) y i y^i è un indicatore, ossia è uguale a 0 se y i = y^i, uguale a 1 se y i y^i La formula calcola la frazione di classificazioni scorrette. Tasso di errore training e test Analogamente a quanto discusso per il contesto della regressione, si è di solito più interessati alla performance di nel caso di unità non presenti nei training data Definiamo allora il tasso di errore test (test error rate) associato ad un set di osservazioni test del tipo ( x 0, y 0 ): Una buona è quella per cui il test error rate è il più basso possibile. Il classificatore di Bayes E possibile dimostrare che il test error rate definito sopra è minimo, in media, quando la procedura di classificazione è fatta usando una semplicissima regola che assegna l unità alla classe più probabile data l informazione dei predittori. Il classificatore di Bayes assegna l osservazione test, con predittore x 0, alla classe j, ( ), per la quale è massima. j = 1, 2, K P( = j X = ) Y 0 x 0 è una probabilità condizionata: la probabilità che Y = j data l informazione fornita da x 0. Il classificatore di Bayes produce il minor test error rate possibile, definito Bayes error rate. In pratica non riusciamo mai a calcolare il classificatore di Bayes poichè non c è informazione a sufficienza. Classificatore KNN Ave(I( )) y i y^i P(Y = j X = ) x 0 Dato un intero positivo K e un osservazione test x 0, il classificatore KNN ( K nearest neighbors) identifica i K punti più vicini a x 0, rappresentati da N 0. stima la probabilità condizionale per classe j come frazione di punti in N 0 la cui risposta è uguale a j: 1 P r(y = j X = ) = I( = j) file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 15/19 i 0

16 P r(y = j X = ) = I( = j) 1 x 0 K i N 0 y i Infine, KNN applica la regola di Bayes e classifica l osservazione test x 0 nella classe con il maggior probabilità. Esempio K=3 Esempio 1 file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 16/19

17 Esempio 1 file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 17/19

18 Error rates file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 18/19

19 Riferimenti bibliografici An Introduction to Statistical Learning, with applications in R" (Springer, 2013) Alcune delle figure in questa presentazione sono tratte dal testo con il permesso degli autori: G. James, D. Witten, T. Hastie e R. Tibshirani " file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/2_statistical_learning.html 19/19

Regressione logistica. Strumenti quantitativi per la gestione

Regressione logistica. Strumenti quantitativi per la gestione Regressione logistica Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/4a_rlg.html#(1) 1/25 Metodi di classificazione I metodi usati per analizzare

Dettagli

Regressione logistica

Regressione logistica Regressione logistica Strumenti quantitativi per la gestione Emanuele Taufer Metodi di classificazione Tecniche principali Alcuni esempi Data set Default I dati La regressione logistica Esempio Il modello

Dettagli

Regressione lineare multipla Strumenti quantitativi per la gestione

Regressione lineare multipla Strumenti quantitativi per la gestione Regressione lineare multipla Strumenti quantitativi per la gestione Emanuele Taufer Regressione lineare multipla (RLM) Esempio: RLM con due predittori Stima dei coefficienti e previsione Advertising data

Dettagli

Regressione Mario Guarracino Data Mining a.a. 2010/2011

Regressione Mario Guarracino Data Mining a.a. 2010/2011 Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume

Dettagli

Multicollinearità Strumenti quantitativi per la gestione

Multicollinearità Strumenti quantitativi per la gestione Strumenti quantitativi per la gestione Emanuele Taufer Quando non tutto va come dovrebbe I dati Scatter plot Correlazioni RLS e RLM Individuare la MC Variance Inflation Factor Cosa fare in caso di MC Alcune

Dettagli

Analisi di scenario File Nr. 10

Analisi di scenario File Nr. 10 1 Analisi di scenario File Nr. 10 Giorgio Calcagnini Università di Urbino Dip. Economia, Società, Politica giorgio.calcagnini@uniurb.it http://www.econ.uniurb.it/calcagnini/ http://www.econ.uniurb.it/calcagnini/forecasting.html

Dettagli

Computazione per l interazione naturale: macchine che apprendono

Computazione per l interazione naturale: macchine che apprendono Computazione per l interazione naturale: macchine che apprendono Corso di Interazione Naturale! Prof. Giuseppe Boccignone! Dipartimento di Informatica Università di Milano! boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

Regressione Lineare con un Singolo Regressore

Regressione Lineare con un Singolo Regressore Regressione Lineare con un Singolo Regressore Quali sono gli effetti dell introduzione di pene severe per gli automobilisti ubriachi? Quali sono gli effetti della riduzione della dimensione delle classi

Dettagli

La regressione lineare multipla

La regressione lineare multipla 13 La regressione lineare multipla Introduzione 2 13.1 Il modello di regressione multipla 2 13.2 L analisi dei residui nel modello di regressione multipla 9 13.3 Il test per la verifica della significatività

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 8 Support Vector Machines Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

Perché si fanno previsioni?

Perché si fanno previsioni? Perché si fanno previsioni? Si fanno previsioni per pianificare un azione quando c è un lag fra momento della decisione e momento in cui l evento che ci interessa si verifica. ESEMPI decisioni di investimento

Dettagli

Lezione 8 (Capitolo 12 De Long)

Lezione 8 (Capitolo 12 De Long) Lezione 8 (Capitolo 12 De Long) Curva di Phillips e aspettative R. Capolupo- Macro 2 1 Legame tra modello a prezzi vischiosi e quello a prezzi flessibili Il passaggio dal modello a prezzi vischiosi al

Dettagli

MACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it

MACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di

Dettagli

Regressione non lineare con un modello neurale feedforward

Regressione non lineare con un modello neurale feedforward Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale

Dettagli

Metodi di previsione

Metodi di previsione Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE n. 5 (a cura di Antonio Di Marco) LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Validazione dei modelli Strumenti quantitativi per la gestione

Validazione dei modelli Strumenti quantitativi per la gestione Validazione dei modelli Strumenti quantitativi per la gestione Emanuele Taufer Validazione dei modelli Il data set Auto I dati Il problema analizzato Validation set approach Diagramma a dispersione Test

Dettagli

Data Mining in SAP. Alessandro Ciaramella

Data Mining in SAP. Alessandro Ciaramella UNIVERSITÀ DI PISA Corsi di Laurea Specialistica in Ingegneria Informatica per la Gestione d Azienda e Ingegneria Informatica Data Mining in SAP A cura di: Alessandro Ciaramella La Business Intelligence

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Note sull esperienza Misura di g versione 1, Francesco, 7/05/2010

Note sull esperienza Misura di g versione 1, Francesco, 7/05/2010 Note sull esperienza Misura di g versione 1, Francesco, 7/05/010 L esperienza, basata sullo studio di una molla a spirale in condizioni di equilibrio e di oscillazione, ha diversi scopi e finalità, tra

Dettagli

Principi di analisi causale Lezione 2

Principi di analisi causale Lezione 2 Anno accademico 2007/08 Principi di analisi causale Lezione 2 Docente: prof. Maurizio Pisati Logica della regressione Nella sua semplicità, l espressione precedente racchiude interamente la logica della

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2. Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni

Dettagli

Introduzione al Pattern Recognition Statistico

Introduzione al Pattern Recognition Statistico Introduzione al Pattern Recognition Statistico Roberto Tagliaferri Dipartimento di Informatica Università di Salerno ( Sa ) 84084 Fisciano e-mail robtag@unisa.it Statistical Pattern Recognition Introduzione

Dettagli

La Regressione Lineare

La Regressione Lineare La Regressione Lineare. Cos è l Analisi della Regressione Multipla? L analisi della regressione multipla è una tecnica statistica che può essere impiegata per analizzare la relazione tra una variabile

Dettagli

Tecniche di DM: Alberi di decisione ed algoritmi di classificazione

Tecniche di DM: Alberi di decisione ed algoritmi di classificazione Tecniche di DM: Alberi di decisione ed algoritmi di classificazione Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Concetti preliminari: struttura del dataset negli

Dettagli

5.1. LA STRUTTURA DEL MASTER BUDGET: BUDGET OPERATIVI, FINANZIARI E DEGLI INVESTIMENTI

5.1. LA STRUTTURA DEL MASTER BUDGET: BUDGET OPERATIVI, FINANZIARI E DEGLI INVESTIMENTI 5.1. LA STRUTTURA DEL MASTER BUDGET: BUDGET OPERATIVI, FINANZIARI E DEGLI INVESTIMENTI Master Budget: insieme coordinato e coerente dei budget operativi, finanziari e degli investimenti è rappresentato

Dettagli

Il concetto di elasticità della domanda rispetto al prezzo è di importanza cruciale per anticipare l esito di variazioni di prezzo (legate ad esempio

Il concetto di elasticità della domanda rispetto al prezzo è di importanza cruciale per anticipare l esito di variazioni di prezzo (legate ad esempio L elasticità Cap.4 L elasticità Fin ora abbiamo visto come domanda e offerta di un bene reagiscano a variazioni del prezzo del bene Sono state tutte considerazioni qualitative (direzione del cambiamento)

Dettagli

Backpropagation in MATLAB

Backpropagation in MATLAB Modello di neurone BACKPROPAGATION Backpropagation in MATLAB Prof. Beatrice Lazzerini Dipartimento di Ingegneria dell Informazione Via Diotisalvi 2, 56122 Pisa La funzione di trasferimento, che deve essere

Dettagli

Concetti introduttivi

Concetti introduttivi Indice 1 Concetti introduttivi 3 1.1 Studi sperimentali e studi osservazionali..................... 3 1.2 Concetti iniziali: indipendenza fra eventi..................... 6 1.3 Indipendenza fra variabili

Dettagli

Modelli finanziari per i tassi di interesse

Modelli finanziari per i tassi di interesse MEBS Lecture 3 Modelli finanziari per i tassi di interesse MEBS, lezioni Roberto Renò Università di Siena 3.1 Modelli per la struttura La ricerca di un modello finanziario che descriva l evoluzione della

Dettagli

Modelli di Ottimizzazione

Modelli di Ottimizzazione Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo

Dettagli

RIASSUNTI ECONOMIA Finalità dei sistemi contabili: conveniente sistemi contabili

RIASSUNTI ECONOMIA Finalità dei sistemi contabili: conveniente sistemi contabili RIASSUNTI ECONOMIA Finalità dei sistemi contabili: per operare in modo efficiente le aziende hanno bisogno di conoscere se l utilizzo delle risorse che stanno impiegando nelle diverse attività è economicamente

Dettagli

Capitolo 20: Scelta Intertemporale

Capitolo 20: Scelta Intertemporale Capitolo 20: Scelta Intertemporale 20.1: Introduzione Gli elementi di teoria economica trattati finora possono essere applicati a vari contesti. Tra questi, due rivestono particolare importanza: la scelta

Dettagli

Soluzioni Esercizi elementari

Soluzioni Esercizi elementari Soluzioni sercizi elementari Capitolo. carattere: itolo di Studio, carattere qualitativo ordinato modalità: Diploma, Licenza media, Laurea, Licenza elementare unità statistiche: Individui. carattere: Fatturato,

Dettagli

RISCHIO E CONTROLLO DI GESTIONE LA COSTRUZIONE DI UN BUDGET

RISCHIO E CONTROLLO DI GESTIONE LA COSTRUZIONE DI UN BUDGET LA COSTRUZIONE DI UN BUDGET Prof. Francesco Albergo Docente di PIANIFICAZIONE E CONTROLLO Corso di Laurea in Economia Aziendale Curriculum in Gestione Aziendale Organizzata UNIVERSITA degli Studi di Bari

Dettagli

Sommario. 1 Specifiche della soluzione. Davide Anastasia, Nicola Cogotti. 27 dicembre 2005

Sommario. 1 Specifiche della soluzione. Davide Anastasia, Nicola Cogotti. 27 dicembre 2005 Utilizzo delle reti neurali di tipo MLP e RBF per l approssimazione di funzioni reali di variabile reale note mediante coppie di punti (x,y) in presenza di rumore Davide Anastasia, Nicola Cogotti 27 dicembre

Dettagli

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E 1. Previsione per modelli ARM A Questo capitolo è dedicato alla teoria della previsione lineare per processi stocastici puramente non deterministici, cioè per processi che ammettono una rappresentazione

Dettagli

Verifica di ipotesi e intervalli di confidenza nella regressione multipla

Verifica di ipotesi e intervalli di confidenza nella regressione multipla Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo

Dettagli

DATA MINING PER IL MARKETING

DATA MINING PER IL MARKETING DATA MINING PER IL MARKETING Andrea Cerioli andrea.cerioli@unipr.it Sito web del corso GLI ALBERI DI CLASSIFICAZIONE Algoritmi di classificazione Zani-Cerioli, Cap. XI CHAID: Chi-square Automatic Interaction

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

GESTIONE DELLE TECNOLOGIE AMBIENTALI PER SCARICHI INDUSTRIALI ED EMISSIONI NOCIVE LEZIONE 10. Angelo Bonomi

GESTIONE DELLE TECNOLOGIE AMBIENTALI PER SCARICHI INDUSTRIALI ED EMISSIONI NOCIVE LEZIONE 10. Angelo Bonomi GESTIONE DELLE TECNOLOGIE AMBIENTALI PER SCARICHI INDUSTRIALI ED EMISSIONI NOCIVE LEZIONE 10 Angelo Bonomi CONSIDERAZIONI SUL MONITORAGGIO Un monitoraggio ottimale dipende dalle considerazioni seguenti:

Dettagli

Equivalenza economica

Equivalenza economica Equivalenza economica Calcolo dell equivalenza economica [Thuesen, Economia per ingegneri, capitolo 4] Negli studi tecnico-economici molti calcoli richiedono che le entrate e le uscite previste per due

Dettagli

lezione 18 AA 2015-2016 Paolo Brunori

lezione 18 AA 2015-2016 Paolo Brunori AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo

Dettagli

1. L analisi statistica

1. L analisi statistica 1. L analisi statistica Di cosa parleremo La statistica è una scienza, strumentale ad altre, concernente la determinazione dei metodi scientifici da seguire per raccogliere, elaborare e valutare i dati

Dettagli

ECONOMIA POLITICA. R.H. Frank, B.S. Bernanke, M. McDowell e R. Thom, Principi di Economia, McGraw-Hill, Milano, Terza Edizione, 2010

ECONOMIA POLITICA. R.H. Frank, B.S. Bernanke, M. McDowell e R. Thom, Principi di Economia, McGraw-Hill, Milano, Terza Edizione, 2010 ECONOMIA POLITICA TESTO R.H. Frank, B.S. Bernanke, M. McDowell e R. Thom, Principi di Economia, McGraw-Hill, Milano, Terza Edizione, 2010 (capp. 2,3,4,5,6,7,8,9,12,13,14,16,17,20,23) introduzione alla

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza

Dettagli

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti

Dettagli

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI La differenza tra il restauro e il miglioramento (enhancement) delle immagini è che il miglioramento è un processo soggettivo, mentre il restauro è un processo

Dettagli

Limited Dependent Variable Models

Limited Dependent Variable Models Limited Dependent Variable Models Logit Tobit Probit Modelli Logit e Probit Latent variable models for binary choice Models for descrete dependent variable Traducendo Spesso vogliamo studiare (le determinanti

Dettagli

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Esercizio 1 Si consideri il seguente modello ad effetti fissi con variabili binarie: + 1 2 a) supponete che N=3. Si mostri che i regressori

Dettagli

Suggerimenti per l approccio all analisi dei dati multivariati

Suggerimenti per l approccio all analisi dei dati multivariati Suggerimenti per l approccio all analisi dei dati multivariati Definizione degli obbiettivi Il primo passo è la definizione degli obbiettivi. Qual è l obbiettivo della sperimentazione i cui dati dovete

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza

MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti Enrico Saltari Università di Roma La Sapienza 1 Dotazioni iniziali Il consumatore dispone ora non di un dato reddito monetario ma di un ammontare

Dettagli

Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni)

Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni) STATISTICA (2) ESERCITAZIONE 4 18.02.2013 Dott.ssa Antonella Costanzo Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni) Sia X una popolazione distribuita secondo la legge Bernoulliana

Dettagli

Scelta intertemporale: Consumo vs. risparmio

Scelta intertemporale: Consumo vs. risparmio Scelta intertemporale: Consumo vs. risparmio Fino a questo punto abbiamo considerato solo modelli statici, cioè modelli che non hanno una dimensione temporale. In realtà i consumatori devono scegliere

Dettagli

Data Mining. Gabriella Trucco gabriella.trucco@unimi.it

Data Mining. Gabriella Trucco gabriella.trucco@unimi.it Data Mining Gabriella Trucco gabriella.trucco@unimi.it Perché fare data mining La quantità dei dati memorizzata su supporti informatici è in continuo aumento Pagine Web, sistemi di e-commerce Dati relativi

Dettagli

Lineamenti di econometria 2

Lineamenti di econometria 2 Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione

Dettagli

Presentazione. Risorse Web. Metodi Statistici 1

Presentazione. Risorse Web. Metodi Statistici 1 I-XVI Romane_ 27-10-2004 14:25 Pagina VII Prefazione Risorse Web XI XIII XVII Metodi Statistici 1 Capitolo 1 Tecniche Statistiche 3 1.1 Probabilità, Variabili Casuali e Statistica 3 1.1.1 Introduzione

Dettagli

STUDIO DI SETTORE VG82U

STUDIO DI SETTORE VG82U ALLEGATO 18 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG82U SERVIZI PUBBLICITARI, RELAZIONI PUBBLICHE E COMUNICAZIONE 862 CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio

Dettagli

MONOPOLIO. 1. Massimizzazione del Profitto

MONOPOLIO. 1. Massimizzazione del Profitto MONOPOLIO Quando nel mercato c è una sola impresa, difficilmente questa accetta il prezzo di mercato come dato. Il monopolista può infatti influire sul prezzo di mercato (price-maker) e quindi sceglie

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione

Dettagli

1 BREVE RIPASSO DEI TEST STATISTICI 2 I TEST STATISTICI NEI SOFTWARE ECONOMETRICI E IL P-VALUE 3 ESERCIZI DI ALLENAMENTO

1 BREVE RIPASSO DEI TEST STATISTICI 2 I TEST STATISTICI NEI SOFTWARE ECONOMETRICI E IL P-VALUE 3 ESERCIZI DI ALLENAMENTO I TEST STATISTICI E IL P-VALUE Obiettivo di questo Learning Object è ripassare la teoria ma soprattutto la pratica dei test statistici, con un attenzione particolare ai test che si usano in Econometria.

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato

Dettagli

Prof.ssa Paola Vicard

Prof.ssa Paola Vicard Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.

Dettagli

09 - Funzioni reali di due variabili reali

09 - Funzioni reali di due variabili reali Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 09 - Funzioni reali di due variabili reali Anno Accademico 2013/2014

Dettagli

Design of Experiments

Design of Experiments Design of Experiments Luigi Amedeo Bianchi 1 Introduzione Cominciamo spiegando cosa intendiamo con esperimento, ossia l investigare un processo cambiando i dati in ingresso, osservando i cambiamenti che

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Sistemi di Numerazione Sistema decimale La

Dettagli

Feature Selection per la Classificazione

Feature Selection per la Classificazione 1 1 Dipartimento di Informatica e Sistemistica Sapienza Università di Roma Corso di Algoritmi di Classificazione e Reti Neurali 20/11/2009, Roma Outline Feature Selection per problemi di Classificazione

Dettagli

Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5

Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5 Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5 Rimini, 26 aprile 2006 1 The Inter temporal Effects of International Trade Valore in $ del consumo di beni oggi G D F H 1/(1+r) G Valore

Dettagli

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa Master della filiera cereagricola Giovanni Di Bartolomeo Stefano Papa Facoltà di Agraria Università di Teramo Impresa e mercati Parte prima L impresa L impresa e il suo problema economico L economia studia

Dettagli

Modelli per variabili dipendenti qualitative

Modelli per variabili dipendenti qualitative SEMINARIO GRUPPO TEMATICO METODI e TECNICHE La valutazione degli incentivi industriali: aspetti metodologici Università di Brescia, 17 gennaio 2012 Modelli per variabili dipendenti qualitative Paola Zuccolotto

Dettagli

EMBA PART TIME 2012 ROMA I ANNO

EMBA PART TIME 2012 ROMA I ANNO BUSINESS STATISTICS: ASSIGNMENT II: EMBA PART TIME 2012 ROMA I ANNO PROF. MOSCONI ESERCIZIO 1: USO DEL MODELLO DI REGRESSIONE PER DETERMINARE IL VALORE DEGLI IMMOBILI. ESERCIZIO 2: PREVISIONE DI VARIABILI

Dettagli

Pro e contro delle RNA

Pro e contro delle RNA Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;

Dettagli

Guida al controllo di gestione nelle piccole e medie imprese

Guida al controllo di gestione nelle piccole e medie imprese j l k l d o ^ c f b S o c i e t à Laura Broccardo Guida al controllo di gestione nelle piccole e medie imprese Pianificazione e controllo nelle PMI Costruzione del budget Reporting Aziende che operano

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

Dettagli

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA)

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) 4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) L analisi della varianza è un metodo sviluppato da Fisher, che è fondamentale per l interpretazione statistica di molti dati biologici ed è alla

Dettagli

Appunti: Teoria Dei Test

Appunti: Teoria Dei Test Appunti: Teoria Dei Test Fulvio De Santis, Luca Tardella e Isabella Verdinelli Corsi di Laurea A + E + D + G + R 1. Introduzione. Il test d ipotesi è un area dell inferenza statistica in cui si valuta

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Cenni al Data Mining 1 Data Mining nasce prima del Data Warehouse collezione di tecniche derivanti da Intelligenza Artificiale,

Dettagli

Reti neurali nel Data Mining, altre tecniche utilizzate nel DM e valutazione dei modelli.

Reti neurali nel Data Mining, altre tecniche utilizzate nel DM e valutazione dei modelli. Reti neurali nel Data Mining, altre tecniche utilizzate nel DM e valutazione dei modelli. Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Utilizzo di reti neurali nel

Dettagli

Introduzione all elaborazione di immagini Part II

Introduzione all elaborazione di immagini Part II Introduzione all elaborazione di immagini Part II Obiettivi delle tecniche di elaborazione di immagini: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration)

Dettagli

Imposte ed efficienza economica

Imposte ed efficienza economica Imposte ed efficienza economica Imposte ed efficienza economica Nell immediato, ogni aumento delle imposte fa diminuire il benessere dei contribuenti. Nel lungo periodo, tale diminuzione è compensata dai

Dettagli

Support Vector Machines introduzione. Vittorio Maniezzo Università di Bologna

Support Vector Machines introduzione. Vittorio Maniezzo Università di Bologna 7 Support Vector Machines introduzione Vittorio Maniezzo Università di Bologna 1 SVM - introduzione Le SV machinessono state sviluppate negli AT&T Bell Laboratoriesda Vapnike colleghi (Boseret al., 1992,

Dettagli

L offerta di lavoro 1

L offerta di lavoro 1 L offerta di lavoro 1 Introduzione Per Offerta di lavoro si intende l ammontare di lavoro offerto sul mercato dalla popolazione in cambio di una retribuzione La quantità offerta dipende da: Numero di persone

Dettagli

S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 2008/2009. Metodo Monte Carlo

S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 2008/2009. Metodo Monte Carlo S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 008/009 Metodo Monte Carlo Laboratorio di Didattica della Matematica Applicata 1 L. Parisi A. Stabile

Dettagli

Computazione per l interazione naturale: Modelli dinamici

Computazione per l interazione naturale: Modelli dinamici Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

General Linear Model. Esercizio

General Linear Model. Esercizio Esercizio General Linear Model Una delle molteplici applicazioni del General Linear Model è la Trend Surface Analysis. Questa tecnica cerca di individuare, in un modello di superficie, quale tendenza segue

Dettagli

Relazioni tra variabili

Relazioni tra variabili Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea in Medicina e Chirurgia - A.A. 009-10 Scuole di specializzazione in: Medicina Legale, Medicina del Lavoro, Igiene e Medicina

Dettagli

Regressione Logistica: un Modello per Variabili Risposta Categoriali

Regressione Logistica: un Modello per Variabili Risposta Categoriali : un Modello per Variabili Risposta Categoriali Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54 Introduzione Premessa I modelli di regressione

Dettagli

Le ipotesi del modello

Le ipotesi del modello Modello IS-LM Le ipotesi del modello I prezzi sono dati gli aggiustamenti passano attraverso variazioni delle quantità prodotte e del tasso di interesse L investimento non è più esogeno (come nel modello

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

APPUNTI SUI METODI PERT-C.P.M.

APPUNTI SUI METODI PERT-C.P.M. APPUNTI SUI METODI PERT-C.P.M. (corso di ricerca operativa) A cura di: Antonio Scalera 1 PERT/C.P.M. I metodi Pert e C.P.M. studiano lo sviluppo di un progetto attraverso la programmazione delle attività

Dettagli

«Sono delle teste dure!» ma è proprio vero?

«Sono delle teste dure!» ma è proprio vero? «Sono delle teste dure!» ma è proprio vero? Consigli per motivare al comportamento sicuro sul lavoro Forse vi è già capitato di trovarvi nei panni di questo allenatore di hockey e di pensare che i vostri

Dettagli

I mercati dei beni e i mercati finanziari: il modello IS-LM. Assunzione da rimuovere. Investimenti, I

I mercati dei beni e i mercati finanziari: il modello IS-LM. Assunzione da rimuovere. Investimenti, I I mercati dei beni e i mercati finanziari: il modello IS-LM Assunzione da rimuovere Rimuoviamo l ipotesi che gli Investimenti sono una variabile esogena. Investimenti, I Gli investimenti delle imprese

Dettagli

Analisi discriminante

Analisi discriminante Capitolo 6 Analisi discriminante L analisi statistica multivariata comprende un corpo di metodologie statistiche che permettono di analizzare simultaneamente misurazioni riguardanti diverse caratteristiche

Dettagli

Economia dell Energia e dell Ambiente A. A. 2012-2013. Modulo II Domanda di energia: stima e previsione

Economia dell Energia e dell Ambiente A. A. 2012-2013. Modulo II Domanda di energia: stima e previsione Economia dell Energia e dell Ambiente A. A. 2012-2013 Modulo II Domanda di energia: stima e previsione La domanda di energia Dal punto di vista dell analisi economica, la domanda di energia è il risultato

Dettagli